27391

مشخصه¬يابي عملكرد يك راكتور كاويتاسيون هيدروديناميك با استفاده از پردازش موجك¬هاي صوتي

كارشناسي ارشد

مهندسي شيمي

1398

22/ 12 /1400

محمد تقي صادقي

سروش برادران

مهندسي شيمي

در صنعت از تجهيزات گوناگوني براي انجام فرآيندهاي مورد نظر استفاده مي¬شود كه هر كدام داراي ويژگي هايي هستند كه مي¬تواند از نقاط قوت و يا ضعف آن¬ها باشد. حال مي توان از نقاط ضعف آن¬ها به گونه اي استفاده كرد كه خود تبديل به يك ويژگي مفيد و تاثيرگذار در فرآيندها باشد. كاويتاسيون هيدروديناميكي خود يكي از اين ويژگي¬ها است كه علاوه بر آثار مخربي كه بر تجهيزات وارد مي¬كند در مقابل مي¬تواند اثرات مثبتي نيز داشته باشد. اين ويژگي در صنعت كاربردهاي مختلفي از جمله پزشكي و كشاورزي و تصفيه آب و فاضلاب و غيره دارد. در اين پايان نامه سعي شده است روشي ارائه شود كه با استفاده از داده¬هاي آزمايشگاهي از جمله دما و فشار و دبي سيال و صداي ضبط شده از جريان و انجام روش هاي پيش پردازش و پردازش سيگنال و انتخاب ويژگي و الگوريتم¬هاي فراابتكاري و شبكه پرسپترون چند لايه در هوش مصنوعي، عدد كاويتاسيون محاسبه شده و با عدد كاويتاسيون به دست آمده از روابط تجربي مقايسه شود. نتايج به دست آمده از مدل حاصل شده از شبكه ي عصبي نشان مي¬دهد كه شبكه به خوبي توانسته است با استفاده از پارامترهايي مانند دما و فشار و دبي و صداي ضبط شده منجر به ايجاد يك مدل هوشمند شده كه تا حدود99.999% دبي جريان را محاسبه كند كه اين مقدار قابل قبول است و مدل ديگر نيز عدد كاويتاسيون را تا دقت 99.999% پيش بيني كند. مدل ارائه شده مبني بر هوش مصنوعي داراي ضريب رگرسيون به دقت نزيك به يك بوده كه مي¬توان گفت دقت بالايي داشته و هم چنين داراي زمان پاسخگويي مناسب در حدود ثانيه است اين بدان معنا است كه مدل مي¬تواند براي داده هاي ديگر در كمترين زمان پاسخي مناسب را ارائه دهد. در نهايت نتايج نشان مي¬دهد كه روش ارائه شده در اين پروژه براي محاسبه ي عدد كاويتاسيون در مقايسه با روش هاي ديگر كه به بررسي پديده ي كاويتاسيون هيدروديناميكي مي¬پردازد، روشي بسيار ساده تر و ارزان قيمت و مقرون به صرفه است. همچنين از نظر زماني نيز بسيار مفيد بوده و داراي دقت بالا و انعطاف پذيري مناسب دارد.

1401/09/05

Characterizing the performance of a hydrodynamic cavitation reactor using acoustic wavelet processing

3/13/2023 12:00:00 AM

In the industry, various equipments are used to perform the desired processes, each of which has characteristics that can be their strengths or weaknesses. Now, their weaknesses can be used in such a way that it becomes a useful and effective feature in the processes. Hydrodynamic cavitation is one of these features that in addition to the destructive effects it has on equipment, it can also have positive effects. This feature has various applications in industry such as medicine and agriculture and water and wastewater treatment and so on. In this dissertation, an attempt has been made to present a method that uses laboratory data such as temperature, pressure, fluid flow and recorded sound from the flow, and preprocessing and signal processing methods, and selecting features and metaheuristic algorithms and the Perceptron network. Multi-layers In artificial intelligence, the cavitation number is calculated and compared with the cavitation number obtained from experimental relationships. The results obtained from the model obtained from the neural network show that the network has been able to use parameters such as temperature, pressure, flow and recorded sound to create an intelligent model that has a flow rate of about 99.999%. Calculate the current, which is acceptable, and the other model can predict the cavitation number to 99.999% accuracy. The proposed model based on artificial intelligence has a regression coefficient close to one, which can be said to have high accuracy and also has a good response time of about seconds, which means that the model can respond to other data in the shortest time. Offer suitable. Finally, the results show that the method presented in this project to calculate the cavitation number is a much simpler, cheaper and more cost-effective method compared to other methods that study the phenomenon of hydrodynamic cavitation. It is also very useful in terms of time and has high accuracy and flexibility.

كاويتاسيون هيدروديناميكي , عدد كاويتاسيون , موجك صوتي , هوش مصنوعي , بهينه‌سازي , پيش پردازش سيگنال , پردازش سيگنال

Hydrodynamic cavitation , Cavitation number , Sound wavelet , Artificial Intelligence , Optimization , Signal preprocessing , signal processing

Kosar Molaee

Mohammad Taghi Sadeghi